一种用于自主AI人脸识别的无监督差分图像识别方法技术

本发明专利技术属于图像识别技术领域，公开了一种用于自主AI人脸识别的无监督差分图像识别方法，加载图像库(AIB)，并将AIB驻留在内存中；建立灰度和黑白格式图像表示的内部帧结构；迭代分析给定的目标图像x

【技术实现步骤摘要】
一种用于自主AI人脸识别的无监督差分图像识别方法


[0001]本专利技术属于图像识别
，尤其涉及一种用于自主AI人脸识别的无监督差分图像识别方法。

技术介绍

[0002]目前，图像识别尤其是人脸识别面临的挑战是持久而复杂的，这些问题依赖于脑科学、计算机智能和智能数学的突破，因为人工智能中的问题已经超出了传统实数域(R)的数学表达和工程操作。现有的人脸识别技术主要基于机器学习、深度学习神经网络和模糊逻辑技术。已有研究和技术报告了在受控或相对较小的环境中准确率达到高于85％的结果。然而，由于现有技术没有对整个AI状态空间进行深入的研究和覆盖，当这些技术应用到现实世界中时，它们的准确性均会下降到70％以下。
[0003]另一个基础性问题是，几乎所有现有的图像识别技术都是基于监督学习的，其高度依赖于海量的大数据(通常是非独立的和高度冗余的)、密集的数据标记和昂贵的人工辅助数据预处理；并且训练在图像结构或应用领域发生变化时是不可累积递进的。因此，数据兼容与适用性已经成为卷积、深度和递归神经网络等经典监督学习技术的主要瓶颈，由于这些技术严重依赖于训练数据及其质量、独立性和覆盖率。
[0004]图像识别技术分为图像分类和识别两大类。由于传统的神经网络是一个回归收敛的网络，因而传统的基于深度神经网络的机器学习只擅长处理图像近似识别或归类。比如，设n和m表示深度神经网络的输入输出向量的大小。准确图像识别的能力要求m≥n的强条件；而图像近似识别则允许m<n的弱条件。因此，神经网络不能在大规模应用中实现实用的图像识别技术，因为在训练和应用的两个阶段，经过训练的深层神经网络的输出及其所需的训练权值集总是小于期望的输入向量n的个数。
[0005]无监督图像识别对传统的基于深度神经网络的机器学习技术是一个长期的挑战，因为在实时和动态视觉序列处理中不允许密集的训练、数据标记和预处理操作。现有人脸识别中面临以下挑战性问题：a)监督深度学习神经网络存在数据依赖性强、冗余度大、训练复杂度高等缺点；b)监督深度学习神经网络在实时和实际应用中存在速度和精度方面的不足；c)监督深度学习神经网络存在指数性增长的复杂度和成本的问题。因此，亟需专利技术一种用于图像识别的无监督学习和训练的方法和算法，以解决现有技术中存在的上述技术问题。
[0006]基于以上分析，现有技术存在的主要问题及缺陷为：
[0007](1)现有基于受监督机器学习方法受限于脱机训练，其不能满足免训练自主学习系统在实时应用中的要求。
[0008](2)现有受监督学习方法不适应于实时自主系统和常见实际应用中对速度和精度方面的要求。
[0009](3)现有受监督学习方法存在对大数据依赖性强、冗余度大、训练复杂度高等缺点。
[0010](4)现有受监督深度学习神经网络存在指数复杂度和高成本的问题。
[0011]解决以上问题及缺陷的难度为：
[0012](1)世界级难度极高的基础AI理论挑战。
[0013](2)新型用于突破非预训练和非预编程技术的自主AI图像识别技术。
[0014]解决以上问题及缺陷的意义为：
[0015](1)建立新型非预训练和非预编程的AI图像识别方法。
[0016](2)实现类人脑的自主免训练人工智能，以适应实时系统应用的基础需求。
[0017](3)实现包括自主人脸识别的新一代自主图像识别技术。

技术实现思路

[0018]针对现有技术存在的问题，本专利技术提供了一种用于自主AI人脸识别的无监督差分图像识别方法。
[0019]本专利技术是这样实现的，一种用于自主AI人脸识别的无监督差分图像识别方法，所述用于自主人脸识别的无监督差分图像识别方法包括以下步骤：
[0020]步骤一，加载图像库AIB，并将图像库AIB驻留在内存中。
[0021]步骤二，建立灰度和黑白格式图像表示的内部帧结构。
[0022]步骤三，针对AIB中的n个彩色/灰度图像迭代分析给定的目标图像x，并显示识别的最大灰度相似度δ
g
。
[0023]步骤四，并行验证黑白图像中的识别对，并记录识别出的黑白相似度δ
b
。
[0024]步骤五，通过选择步骤三中识别出的最小相似度来优化识别结果δ
k
，即δ
k
＝min(δ
g
，δ
b
)，缓存识别出的图像k及其相似度δ
k
。
[0025]步骤六，显示步骤三迭代中得到的识别结果集。根据给定的且可调整的阈值θ，将识别结果表示为准确识别(δ
k
≥0.960)、相似分类(θ≤δ
k
＜0.960)、和新图像检出(δ
k
＜θ)三种类别，并给出识别结果。
[0026]本专利技术的另一目的在于提供一种基于所述用于自主AI人脸识别的无监督差分图像识别方法的用于自主AI人脸识别的无监督差分图像识别系统，此系统包括：
[0027]系统接口GUI，样本图像库AIB，UDIR算法，以及图像识别结果分析器。所述GUI是支持用户操作的通用软件界面。
[0028]进一步，所述用于自主AI人脸识别的无监督差分图像识别系统由AIB支持。AIB适用于任何通用域用户特定数据集或图像库，其中图像由JPEG或兼容文件的像素帧表示。
[0029]所述样本图像库AIB的初始库由3,581张彩色人脸图像组成，用户可自行加入特定图像库，并对所述图像进行格式或尺寸修剪，从而在AIB中生成统一并兼容的图像集。
[0030]进一步，所述UDIR算法产生的图像识别结果分为三类：
[0031](1)准确识别：x＝y，或者图像x完全匹配图像y；
[0032](2)相似分类：x∈Y，或者图像x与图像集Y相似；
[0033](3)新图像检出：x≠y并且或者图像x与y不同，也不属于Y。
[0034]进一步，所述UDIR算法的输入是彩色/灰度像素帧(TargetImage|M)中的目标图像。UDIR算法的输出是一个归一化单位区间(I)内的图像相似度，其被定义为上述三类识别结果，即准确识别，相似分类，或新图像检出；整个AIB或其子集作为在存储器中表示的全局
结构在系统初始化时被加载，并可随时更新或扩充。
[0035]进一步，所述UDIR算法检测目标图像与每个样本图像之间的相似度/不相似度。在UDIR算法的迭代分析主体中，首先以灰度格式识别每个目标图像。一旦结果表明可以准确识别(δ
ij
≥0.960)或可能的相似度分类(θ≤δ
ij
＜0.960)，便会以黑白格式对其进行进一步验证。当识别结果δ
g
＝0或δ
g
＜θ(给定阈值)时，该目标图像将被自动加入AIB，以实现系统数据库的动态扩充。
[0036]结合上述的所有技术方案，本专利技术所具备的优点及突出效果为：本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于自主AI人脸识别的无监督差分图像识别方法，其特征在于，所述用于自主AI人脸识别的无监督差分图像识别方法包括：加载图像库AIB，并将图像库AIB驻留在内存中；建立灰度和黑白格式图像表示的内部帧结构；给定任意目标图像x，针对AIB中的n个彩色/灰度图像进行迭代分析，确定最高识别相似度δ
g
；针对AIB中的n个黑白图像进行迭代分析，确定最高识别相似度δ
b
；通过选择灰度和黑白图像识别最大值中的最小值，即δ
k
＝min(max(δ
g
)，max(δ
b
))，从而优化识别准确性；根据一个给定(可调整)的阈值θ，将分析结果判定为：准确识别(δ
k
＝0.960)、相似分类(θ≤δ
k
＜0.960)、和新图像检出(δ
k
＜θ)三种类别，并显示识别结果。2.一种应用如权利要求1所述的用于自主AI人脸识别的无监督差分图像识别方法的用于自主人脸识别的无监督差分图像识别系统，其特征在于，所述用于自主AI人脸识别的无监督差分图像识别系统包括：系统接口GUI，样本图像库AIB，UDIR算法，以及图像识别结果分析报告；所述GUI是一个支持用户操作的通用软件界面。3.如权利要求2所述的用于自主AI人脸识别的无监督差分图像识别系统，其特征在于，所述用于自主AI人脸识别的无监督差分图像识别系统由AIB支持，AIB适用于任何用户的特定数据集或图像库，其中图像由JPEG或兼容文件的像素矩阵表示。所述AIB可自动或人工扩展。4.如权利要求2所述的用...

【专利技术属性】
技术研发人员：王迎旭，彭军，奥玛尔，
申请(专利权)人：重庆科技学院，
类型：发明
国别省市：